MétaCan
Menu
Retour à la cohorte
Enregistrement W2783731650 · doi:10.15694/mep.2018.000008.1

Promoting the Learning of Basic Sciences in a Changing Small-Group Learning Landscape. Interviews of tutors and students in a medical program

2018· article· en· W2783731650 sur OpenAlexaff
Jane Gair, Graeme Horton, Sarah Wojcik, Alixandra Wong

Notice bibliographique

RevueMedEdPublish · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensDalhousie UniversityUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésTUTORCurriculumContext (archaeology)Problem-based learningSmall group learningMedical educationSubject (documents)Medical scienceMathematics educationPsychologyPedagogyComputer scienceMedicineLibrary science

Résumé

récupéré en direct d'OpenAlex

This article was migrated. The article was marked as recommended. Tomorrow's medical graduate needs to be equipped today to be able to make sense of continued advancements in medical science and then apply these to the benefit of patents and communities. It is important that current methods of teaching and learning in medical programs such as problem-based learning are subject to critical evaluation as to whether they are fit for purpose, and many medical programs are questioning whether problem-based learning provides adequate grounding in basic science. In this context, we interviewed twelve tutors and four students of one distributed medical program in order to explore their views on what elements of PBL promoted understanding of basic science. Our participants reported that setting a clear agenda about basic science learning was crucial; that tutor preparation and guides needed to take account of different tutor backgrounds; particular styles of prompting and questioning from the tutor were valuable; and that students could benefit from being primed with key introductory concepts about how basic sciences related to each other prior to commencing PBL. These findings will be useful for medical curriculum developers who are seeking to innovate with their curriculum but wish to retain what may be currently most valuable by stakeholders.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,248
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,031
Tête enseignante GPT0,373
Écart entre enseignants0,342 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedEdPublishMême sujetInnovations in Medical EducationTravaux en français237 207